CommencerCommencer gratuitement

Ajout de paramètres au projet ML

La définition de paramètres dans les projets MLflow vous permet de rendre votre code ML reproductible. Les paramètres simplifient également l'exécution d'expériences de formation avec différents paramètres sans avoir à modifier le code.

Dans cet exercice, vous allez ajouter des paramètres à votre fichier MLproject pour le point d'entrée principal. Ce point d'entrée est utilisé pour exécuter le script train_model.py qui entraîne un modèle de régression logistique à partir des données de l'assurance.

Le script accepte deux paramètres, n_jobs et fit_intercept, qui sont des hyperparamètres utilisés pour former le modèle. Vous commencerez par ajouter le paramètre n_jobs dans le fichier MLproject. Vous ajouterez ensuite le paramètre fit_intercept. Enfin, vous ajouterez les paramètres à la commande exécutée dans le point d'entrée principal.

Cet exercice fait partie du cours

Introduction à MLflow

Afficher le cours

Instructions

  • Créez un paramètre appelé n_jobs de type int et dont la valeur par défaut est 1.
  • Créez un deuxième paramètre appelé fit_intercept, de type bool, dont la valeur par défaut est True.
  • Passez les deux paramètres dans la commande en veillant à ce que n_jobs soit le premier suivi de fit_intercept.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

"""
name: insurance_model
python_env: python_env.yaml
entry_points:
  main:
    parameters:
      # Create parameter for number of jobs as n_jobs
      ____:
        ____: ____
        ____: ____
      # Create parameter for fit_intercept
      ____:
        ____: ____
        ____: ____
    # Add parameters to be passed into the command
    command: "python3.9 train_model.py {____} {____}"
"""
Modifier et exécuter le code